Page Header

Home > Vol 31, No 3 (2021) > Mema

การสร้างแบบจำลองในการประเมินผลผลิตของข้าวนาปรังด้วยค่าสัมประสิทธิ์การสะท้อนกลับจากดาวเทียมเซนติเนลวัน
Model Creation for Assessing Productivity of Dry Season Rice with Backscatter Coefficient from Sentinel-1

Phichaton Mema, Arisara Charoenpanyanet

Abstract


การศึกษาครั้งนี้มีวัตถุประสงค์เพื่อสร้างแบบจำลองในการประเมินผลผลิตข้าวนาปรังด้วยค่าสัมประสิทธิ์การสะท้อนกลับจากดาวเทียมเซนติเนลวันในระบบเรดาร์ เพื่อพัฒนาเป็นแผนที่ผลผลิตข้าวนาปรัง บริเวณพื้นที่อำเภอพิชัย จังหวัดอุตรดิตถ์ ข้อมูลที่ใช้ในการศึกษา ได้แก่ ภาพถ่ายดาวเทียมเซนติเนลวันหลายช่วงเวลาเพื่อนำมาสกัดค่าสัมประสิทธิ์การสะท้อนกลับ และข้อมูลผลผลิตข้าวนาปรังจากการสัมภาษณ์เกษตรกรในพื้นที่จำนวน 34 แปลง เพื่อนำมาใช้เป็นตัวแปรตามในการสร้างแบบจำลอง สำหรับขั้นตอนในการศึกษาประกอบไปด้วย 4 ขั้นตอนหลัก ได้แก่ 1) การปรับแก้ข้อมูลภาพดาวเทียมเซนติเนลวัน 2) การสกัดค่าสัมประสิทธิ์การสะท้อนกลับ 3) การสร้างแบบจำลองในการประเมินผลผลิตข้าวนาปรังโดยใช้วิธีการทางสถิติ และ 4) การคัดเลือกแปลงนาข้าวด้วยเปอร์เซ็นต์การเปลี่ยนแปลงค่าสัมประสิทธิ์การสะท้อนกลับ ผลการศึกษาพบว่า แบบจำลองที่มีประสิทธิภาพดีที่สุด ได้แก่ แบบจำลองที่นำค่าสูงสุดและค่าเฉลี่ยของค่าสัมประสิทธิ์การสะท้อนกลับของแปลงนาข้าว โพลาไรเซซั่นแบบการรับส่งสัญญาณในระนาบเดียวกัน (like-polarized แบบ VV) เป็นตัวแปรอิสระ และผลผลิตข้าวนาปรัง (หน่วย : กิโลกรัมต่อไร่) เป็นตัวแปรตาม แบบจำลองดังกล่าวมีค่า R-Squared, Adjusted R-Squared, Predicted R-Squared, RMSE เท่ากับ 0.869, 0.828 , 0.784 , 40.08 กิโลกรัมต่อไร่ ตามลำดับ

The purposes of this study were to create a model for assessment of dry season rice productivity with backscatter coefficient from Sentinel-1 in radar system for developing season rice productivity map in Phichai district, Uttaradit province. Multi-temporal Sentinel-1 was used to extract backscatter coefficient. The data of dry season rice productivity retrieved from the interview of farmers in 34 field areas was used as the dependent variable to create the model. There are 4 main steps in the study: 1) correction of Sentinel-1 data, 2) extraction of backscatter coefficient, 3) creation of the model for assessing productivity of dry season rice using statistical methods involved, and 4) selection of rice fields with percentage changes of backscatter coefficient. The results showed that the most effective model was the model using maximum and mean value of backscatter coefficient of rice field with the polarization state as a like-polarized (vertical to vertical; VV). This is an independent variable. Dry season rice productivity (unit: kilograms per rai) is a dependent variable. The model reveals its R-Squared, adjusted R-Squared, predicted R-Squared and RMSE as 0.869, 0.828, 0.784, and 40.08 kilograms per rai respectively.


Keywords



[1] T. M. Lillesand, R. W. Kiefer, and J. W. Chipman, Remote Sensing and Image Interpretation, 7th ed., John Wiley & Sons, 2015.

[2] Y. Ban, “Synthetic aperture radar for a crop information synthetic aperture radar for a crop information multitemporal approach,” Doctor of Philosophy in Geography, University of Waterloo, 1996.

[3] O. Kavats, D. Khramov, K. Sergieieva, and V. Vasyliev, “Monitoring harvesting by time series of Sentinel-1 SAR data,” Remote Sensing, vol. 11, no. 21, pp. 2496, 2019.

[4] F. Carreño Conde and M. De Mata Muñoz, “Flood monitoring based on the study of Sentinel-1 SAR Images: The ebro river case study,” Water, vol. 11, no. 12, pp. 2454, 2019.

[5] A. Benedetti, M. Picchiani, and F. Del Frate, “Sentinel-1 and Sentinel-2 Data fusion for urban change detection,” in Proceedings IGARSS 2018 - 2018 IEEE International Geoscience and Remote Sensing Symposium, 2018, pp. 1962– 1965.

[6] M. A. Reddy, Remote Sensing and Geographical Information Systems, 3rd ed., Hyderabad, India: Adithya Art Printers, 2008.

[7] A. M. J. Meijerink, D. Bannert, O. Batelaan, M. W. Lubczynski, and T. Pointet, Remote Sensing Applications to Groundwater, 1st ed., Paris: UNESCO, 2007.

[8] The Secretariat of the Cabinet. (2013, October). Review Report of Performance of the Cabinet case: National Economic and Social Advisory Council Consultation and Recommen-dations for the Cabinet Topic: Sustainable Solutions to Rice Problems. Bangkok, Thailand. [Online] (in Thai). Available: http://www.soc.go.th/ acrobat/nesac151056.pdf

[9] W. W. Lamorte. (2016). The Multiple Linear Regression Model. [Online]. Available: http:// sphweb.bumc.bu.edu/otlt/MPH-Modules/BS/ BS704-EP713_Multi-variableMethods/BS704- EP713_Multi-variableMethods2.html

[10] D. C. Montgomery, E. A. Peck, and G. G. Vining, Introduction to Linear Regression Analysis, 5th ed., John Wiley & Sons, 2012.

[11] C. Zaiontz. (2014). Multiple Regression: Cross Validation. [Online]. Available: http://www. real-statistics.com/multiple-regression/crossvalidation

[12] Global Rice Science Partnership, Rice Almanac. 5th ed., Los Baños, Philippines: International Rice Research Institute, 2013.

[13] A. Sowter. Radar Imaging Course: Image Interpretation. [Online]. Available: http:// www.learningzone.rspsoc.org.uk/index.php/ Learning-Materials/Radar-Imaging/Image- Interpretation-Polarisation

[14] J. Wang, Q. Dai, J. Shang, X.-l. Jin, Q. Sun, G. Zhou, and Q. Dai, “Field-Scale rice yield estimation using Sentinel-1A synthetic aperture radar (SAR) data in coastal saline region of Jiangsu Province, China,” Remote Sensing, vol. 11, no. 19, pp. 2274, 2019.

[15] N. Lam-Dao, P. Hoang-Phi, J. Huth, and P. Cao-Van, “Estimation of the rice yield in the Mekong Delta using SAR dual polarisation data,” presented at the Asian Conference for Remote Sensing 2011, Taiwan, October 3–7, 2011.

[16] Division of Rice Research and Development. (2016). Rice Knowledge Bank. [Online]. Available: http://www.ricethailand.go.th/rkb3/title-rice_ yield_per_rai.htm

Full Text: PDF

DOI: 10.14416/j.kmutnb.2021.05.018

ISSN: 2985-2145